李孟陽，李國杰，汪可友，韓 蓓，徐 晉

考慮需求響應(yīng)及調(diào)頻性能變化的虛擬電廠日前投標(biāo)策略

李孟陽，李國杰，汪可友，韓 蓓，徐 晉

(電力傳輸與功率變換控制教育部重點(diǎn)實(shí)驗(yàn)室(上海交通大學(xué))，上海 200240)

隨著分布式可再生能源裝機(jī)容量在電力系統(tǒng)中占比的增大，新能源發(fā)電應(yīng)當(dāng)承擔(dān)相應(yīng)的二次調(diào)頻任務(wù)，而虛擬電廠是分布式電源參與電力市場(chǎng)的重要途徑。首先，提出了由分布式風(fēng)電和電動(dòng)汽車、空調(diào)負(fù)荷等廣義儲(chǔ)能組成的虛擬電廠參與能量-調(diào)頻聯(lián)合市場(chǎng)的運(yùn)行機(jī)制。然后，建立廣義儲(chǔ)能受價(jià)格驅(qū)動(dòng)的需求響應(yīng)模型。為了提前對(duì)虛擬電廠調(diào)頻性能進(jìn)行預(yù)估，引入虛擬電廠調(diào)頻性能指標(biāo)。提出考慮需求響應(yīng)及虛擬電廠調(diào)頻性能指標(biāo)的日前投標(biāo)魯棒優(yōu)化策略。最后，通過算例探討了需求響應(yīng)模型參數(shù)變化對(duì)用戶及虛擬電廠收益的影響。結(jié)果表明，所提虛擬電廠運(yùn)行機(jī)制不僅可以有效提高虛擬電廠綜合收益，而且使得虛擬電廠提供優(yōu)質(zhì)的調(diào)頻服務(wù)。

虛擬電廠；廣義儲(chǔ)能；需求響應(yīng)；調(diào)頻性能指標(biāo)；動(dòng)態(tài)估值；魯棒優(yōu)化

0 引言

風(fēng)電作為主要的新能源之一，在“十三五”期間得到迅猛發(fā)展，截至2021年底，累計(jì)并網(wǎng)風(fēng)電總裝機(jī)容量已占全國總裝機(jī)容量的13.8%[1]。然而風(fēng)電出力的不確定性以及風(fēng)機(jī)對(duì)常規(guī)機(jī)組的取代加大了電網(wǎng)二次調(diào)頻需求，對(duì)電網(wǎng)的安全穩(wěn)定運(yùn)行帶來了不利影響。因此，風(fēng)電在參與能量市場(chǎng)的同時(shí)，也有必要參與調(diào)頻輔助市場(chǎng)，減輕電網(wǎng)調(diào)頻壓力[2]。以下“二次調(diào)頻”均簡(jiǎn)稱為“調(diào)頻”，本文不涉及一次調(diào)頻。

風(fēng)電提供調(diào)頻服務(wù)、參與調(diào)頻市場(chǎng)已在技術(shù)上可行[3]，然而風(fēng)機(jī)出力的不確定性致使風(fēng)機(jī)的調(diào)頻性能較差[4-5]。與此同時(shí)，儲(chǔ)能技術(shù)的發(fā)展以及儲(chǔ)能成本的降低，使得儲(chǔ)能系統(tǒng)接入電力網(wǎng)絡(luò)為電力系統(tǒng)提供服務(wù)成為可能[6-7]。風(fēng)機(jī)、儲(chǔ)能聯(lián)合運(yùn)行共同參與調(diào)頻市場(chǎng)，可以提高風(fēng)電的調(diào)頻性能，并增加調(diào)頻收益[8]。除了傳統(tǒng)意義上的儲(chǔ)能電池，電動(dòng)汽車(electric vehicle, EV)、空調(diào)集群(air conditioning loads, ACLs)等廣義儲(chǔ)能也可作為儲(chǔ)能單元輔助風(fēng)機(jī)提供服務(wù)[9]，而不需增添新的儲(chǔ)能單元。然而，分布式風(fēng)機(jī)、EVs和ACLs等分布式資源(distributed energy resources, DERs)通常分布廣泛、容量較小且具有不確定性，不宜單獨(dú)參與電力市場(chǎng)[10]。

虛擬電廠(virtual power plant, VPP)可將多種DERs聚合在一起，作為一個(gè)整體參與到電力市場(chǎng)中。目前，我國已有部分省市地區(qū)頒布了VPP參與電力市場(chǎng)的相關(guān)機(jī)制政策[11]。國內(nèi)外已經(jīng)針對(duì)VPP參與電力市場(chǎng)進(jìn)行了一定的研究，多集中于投標(biāo)策略[12-16]和博弈模型[17-18]等領(lǐng)域。在VPP提供調(diào)頻輔助服務(wù)領(lǐng)域，文獻(xiàn)[12]研究了在考慮不確定性情況下，VPP在能量-備用市場(chǎng)上的日前調(diào)度安排；文獻(xiàn)[13]提出了一種虛擬電廠參與現(xiàn)貨聯(lián)合市場(chǎng)的兩階段雙層隨機(jī)競(jìng)價(jià)策略模型；文獻(xiàn)[14]提出了一種VPP聯(lián)合風(fēng)電場(chǎng)在調(diào)頻輔助服務(wù)市場(chǎng)上的最優(yōu)投標(biāo)策略；文獻(xiàn)[19]提出聚合EVs和儲(chǔ)能系統(tǒng)參與能量-調(diào)頻聯(lián)合市場(chǎng)時(shí)的最優(yōu)投標(biāo)策略；文獻(xiàn)[20]利用儲(chǔ)能系統(tǒng)與火電機(jī)組協(xié)同控制，提高整體調(diào)頻性能。

現(xiàn)有文獻(xiàn)研究了VPP聯(lián)合調(diào)度多種資源參與電力市場(chǎng)的方法，并證實(shí)儲(chǔ)能系統(tǒng)和發(fā)電機(jī)組聯(lián)合可以提高調(diào)頻性能。但現(xiàn)有文獻(xiàn)很少考慮廣義儲(chǔ)能聯(lián)合分布式風(fēng)機(jī)參與調(diào)頻市場(chǎng)，并缺乏對(duì)VPP調(diào)頻性能方面的研究，而大多數(shù)調(diào)頻市場(chǎng)均采用基于性能的結(jié)算機(jī)制[21]，因此對(duì)VPP調(diào)頻性能進(jìn)行建模是很有必要的。

基于以上背景，本文提出了一種計(jì)及調(diào)頻性能指標(biāo)影響的含風(fēng)-廣義儲(chǔ)能的VPP參與能量-調(diào)頻聯(lián)合市場(chǎng)的投標(biāo)策略。文中采用斯蒂文斯定律對(duì)EVs、ACLs的響應(yīng)進(jìn)行建模，并建立EVs、ACLs對(duì)應(yīng)的虛擬電池(virtual battery, VB)模型。探究VPP調(diào)頻性能與投標(biāo)調(diào)頻容量、預(yù)留調(diào)頻容量以及各資源調(diào)頻容量占比之間的函數(shù)關(guān)系。以VPP總收益最大為優(yōu)化目標(biāo)，根據(jù)電力市場(chǎng)交易規(guī)則，制定VPP在日前市場(chǎng)的投標(biāo)策略。最后通過算例反映調(diào)頻性能對(duì)投標(biāo)策略的影響，并證實(shí)所提策略的經(jīng)濟(jì)性和有效性。

1 VPP參與電力市場(chǎng)

1.1 VPP參與能量調(diào)頻聯(lián)合市場(chǎng)運(yùn)行機(jī)制

本文參照美國PJM電力市場(chǎng)運(yùn)行機(jī)制，能量市場(chǎng)與調(diào)頻輔助市場(chǎng)聯(lián)合出清。在日前投標(biāo)與出清階段，VPP需要提交其在運(yùn)行日各時(shí)段的能量市場(chǎng)和調(diào)頻市場(chǎng)的投標(biāo)信息，時(shí)間尺度為1 h[22]。交易中心根據(jù)所有主體提交的投標(biāo)信息，進(jìn)行日前能量市場(chǎng)與調(diào)頻市場(chǎng)的聯(lián)合出清，以確定市場(chǎng)出清價(jià)格及各主體的中標(biāo)量。在實(shí)時(shí)運(yùn)行階段，VPP首先需要以能量市場(chǎng)的中標(biāo)量為能量基點(diǎn)運(yùn)行。同時(shí)，在每個(gè)交易時(shí)段內(nèi)，VPP還需在其調(diào)頻容量中標(biāo)范圍內(nèi)跟蹤調(diào)度中心發(fā)布自動(dòng)發(fā)電控制(automatic generation control, AGC)信號(hào)，實(shí)時(shí)調(diào)整出力。在日后結(jié)算階段，由交易中心根據(jù)VPP在各個(gè)時(shí)段內(nèi)的能量基點(diǎn)及對(duì)AGC指令的響應(yīng)情況，計(jì)算VPP各時(shí)段的調(diào)頻里程及性能指標(biāo)，確定VPP能量市場(chǎng)收益及調(diào)頻市場(chǎng)收益。其中，調(diào)頻市場(chǎng)采用基于性能的收益機(jī)制，調(diào)頻市場(chǎng)的結(jié)算價(jià)格為容量部分的結(jié)算價(jià)格與性能指標(biāo)部分的結(jié)算價(jià)格之和。性能指標(biāo)越高，代表調(diào)頻資源提供的調(diào)頻服務(wù)越好，也意味著調(diào)頻資源所獲取的收益越高。

圖1 虛擬電廠組成結(jié)構(gòu)圖

圖2 VPP運(yùn)行機(jī)制

由于分布式風(fēng)機(jī)及廣義儲(chǔ)能的容量均較小，VPP體量較小，故VPP只作為電力市場(chǎng)的價(jià)格接收者，在投標(biāo)階段只提交容量，且所申報(bào)的容量均會(huì)被采納。假設(shè)VPP各成員接入點(diǎn)的節(jié)點(diǎn)電價(jià)相同且發(fā)電、用電價(jià)格相同，即整個(gè)VPP可看成從一個(gè)節(jié)點(diǎn)接入電網(wǎng)。同時(shí)，為激勵(lì)VPP盡可能實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)、精細(xì)控制，降低日前市場(chǎng)中標(biāo)容量與實(shí)際出力之間的誤差，本文引入偏差懲罰成本以制約參與者的虛報(bào)行為。

1.2 VPP調(diào)頻性能預(yù)估函數(shù)

在實(shí)際結(jié)算中，VPP的調(diào)頻性能應(yīng)在事后根據(jù)實(shí)際的響應(yīng)情況來計(jì)算。然而，日前投標(biāo)策略是在事前完成的，因此，需要提前對(duì)VPP調(diào)頻性能進(jìn)行預(yù)估?；痣姍C(jī)組的調(diào)頻性能往往依據(jù)歷史日的表現(xiàn)，取固定值。然而不同于火電機(jī)組，VPP的調(diào)頻性能會(huì)受到多種因素的影響，且變化幅度較大，不能簡(jiǎn)單當(dāng)作某一常數(shù)。

調(diào)頻性能指標(biāo)由準(zhǔn)確度、延遲度以及精準(zhǔn)度3部分組成[4]。當(dāng)計(jì)算調(diào)頻性能指標(biāo)時(shí)，每10 s采集一次調(diào)頻信號(hào)數(shù)據(jù)和資源響應(yīng)數(shù)據(jù)，每5 min計(jì)算一次調(diào)頻性能指標(biāo)。

由于

故這一部分只需引入-1個(gè)自變量即可。

2 VPP日前市場(chǎng)投標(biāo)策略模型

2.1 廣義儲(chǔ)能調(diào)頻容量建模

為確定EVs和ACLs參與調(diào)頻的容量，需要對(duì)EVs、ACLs可調(diào)節(jié)總?cè)萘恳约癊Vs、ACLs對(duì)虛擬電廠服務(wù)中心下達(dá)指令的響應(yīng)進(jìn)行建模。

2.1.1 EVs行為規(guī)律

本文研究EVs整體在VPP運(yùn)行過程中的充放電行為，如若考慮每個(gè)EV的充放電行為，將會(huì)使得求解過程極其繁瑣，且是沒有必要的。因此本文采用k-means聚類算法對(duì)VPP管轄范圍內(nèi)的EVs進(jìn)行聚類，選取EVs并離網(wǎng)時(shí)間以及并網(wǎng)時(shí)的SOC作為特征參數(shù)。聚類結(jié)束后，選取各個(gè)類別的幾何中心作為該類別中所有EVs的行為規(guī)律，即假設(shè)各個(gè)分類中的所有EVs均以幾何中心所代表的并離網(wǎng)時(shí)間、并網(wǎng)時(shí)的SOC運(yùn)行。

由于EVs歷史運(yùn)行數(shù)據(jù)很難獲取，本文首先通過問卷獲取了40份真實(shí)數(shù)據(jù)，每份數(shù)據(jù)包含以15 min為間隔的并離網(wǎng)時(shí)間和并網(wǎng)時(shí)EV的SOC。接著以每份數(shù)據(jù)的并離網(wǎng)時(shí)間作為均值產(chǎn)生正態(tài)分布隨機(jī)數(shù)，以每份數(shù)據(jù)的SOC作為中心產(chǎn)生均勻分布隨機(jī)數(shù)，通過這種方式擴(kuò)展數(shù)據(jù)集，得到總計(jì)200份的數(shù)據(jù)。假設(shè)EVs型號(hào)一致，額定電池容量為75 kWh，額定充放電功率為7.5 kW，則參與VPP的EVs可參與調(diào)頻總?cè)萘侩S時(shí)間的變化規(guī)律如圖3所示。

圖3 EVs出行規(guī)律示意圖

2.1.2 EVs響應(yīng)模型

為吸引EVs參與VPP調(diào)度運(yùn)行，彌補(bǔ)風(fēng)機(jī)出力的不確定性，提高VPP調(diào)頻性能，本文提出了基于分時(shí)電價(jià)的EVs充放電誘導(dǎo)機(jī)制以及鼓勵(lì)EVs參與調(diào)頻服務(wù)的可變補(bǔ)貼機(jī)制[24]。參與調(diào)頻補(bǔ)貼機(jī)制通過改變EVs參與調(diào)頻的補(bǔ)貼電價(jià)，以15 min為一個(gè)時(shí)段引導(dǎo)適當(dāng)數(shù)量的EVs參與調(diào)頻。對(duì)于未參與調(diào)頻服務(wù)的EVs，利用充放電誘導(dǎo)機(jī)制通過改變電價(jià)，改變EVs固有的充放電習(xí)慣，引導(dǎo)EVs在特定時(shí)間段進(jìn)行充放電。本文以斯蒂文斯定律為定價(jià)依據(jù)，構(gòu)建EVs對(duì)調(diào)頻服務(wù)以及充放電行為的響應(yīng)模型。

斯蒂文斯定律是反映刺激強(qiáng)度與感覺量之間關(guān)系的定律，該定律指出心理量隨刺激量的乘方而變化，即感覺到的大小是與刺激量的乘方成正比。同時(shí)，刺激量存在絕對(duì)閾限值，當(dāng)刺激小于絕對(duì)閾限值時(shí)，感覺量將不發(fā)生變化。EVs對(duì)補(bǔ)償電價(jià)的響應(yīng)度如式(3)所示。

2.1.3 ACLs運(yùn)行模型

采用一階熱力學(xué)等效模型對(duì)ACLs進(jìn)行建模[25-26]，ACL一般以自動(dòng)啟停的方式在預(yù)設(shè)溫度附近運(yùn)行。在ACL啟停狀態(tài)下，室內(nèi)溫度隨時(shí)間的變化規(guī)律如式(8)所示。

2.1.4 ACLs響應(yīng)模型

圖4 單臺(tái)ACL室溫變化情況

ACLs自動(dòng)啟停周期一般小于0.5 h，而當(dāng)室內(nèi)外溫差過大時(shí)，啟停周期甚至可能小于15 min。此時(shí)，為保證用戶的舒適度，無論分時(shí)電價(jià)多少，ACLs必將進(jìn)入自動(dòng)啟停周期。因此，針對(duì)ACLs將不引入充放電誘導(dǎo)機(jī)制。

2.2 廣義儲(chǔ)能通用VB建模

通用VB建模是一種基于類儲(chǔ)能資源與儲(chǔ)能系統(tǒng)之間的相似特性，用一套特定的電池模型來描述類儲(chǔ)能資源的方法[27-28]。將建立的VB模型用于最佳決策，可以在保證決策結(jié)果正確性和可靠性的前提下，降低模型求解難度，同時(shí)有利于各廣義儲(chǔ)能資源的整合。

2.2.1 EVs的VB模型

EVs的機(jī)理模型本身就是電池模型，集群EV相當(dāng)于容量時(shí)變的儲(chǔ)能系統(tǒng)，可基于閔可夫斯基求和得到EVs的VB模型[27]。VB模型包含功率約束以及SOC約束兩部分，由于VB模型是由多個(gè)單元聚合而成，將不再受儲(chǔ)能系統(tǒng)不可同時(shí)充放電的約束，具體模型為

2.2.2 ACLs的VB模型

ACLs的運(yùn)行機(jī)理與儲(chǔ)能系統(tǒng)相差較大，但室內(nèi)熱能量與儲(chǔ)能電能量，室溫約束與儲(chǔ)能SOC約束等之間存在相似的特性，因此可對(duì)ACLs進(jìn)行VB建模[28]。

進(jìn)而可得ACLs的VB模型為

2.3 目標(biāo)函數(shù)

本文的目的是制定VPP在能量-調(diào)頻聯(lián)合市場(chǎng)的最佳日前投標(biāo)策略，以最大化自身總收益為目標(biāo)，同時(shí)充分發(fā)揮分布式廣義儲(chǔ)能的潛力，為電網(wǎng)提供高性能調(diào)頻服務(wù)。以VPP總收益最大化為目標(biāo)：

2.4 約束條件

約束條件主要有VPP投標(biāo)容量約束和廣義儲(chǔ)能VB模型約束。

1) 投標(biāo)容量約束

VPP日前投標(biāo)量受分布式風(fēng)機(jī)預(yù)測(cè)出力及廣義儲(chǔ)能調(diào)度出力的約束，即有

2) 廣義儲(chǔ)能VB模型約束

VB模型約束如式(11)、式(16)所示，包括功率約束及SOC約束兩部分，其余廣義儲(chǔ)能，例如抽水蓄能和熱水器等資源也可轉(zhuǎn)化為相同的約束形式。

優(yōu)化時(shí)段的最終狀態(tài)受初始狀態(tài)的約束：

2.5 模型求解

所提模型為非線性混合整數(shù)規(guī)劃模型，本文在Matlab R2021環(huán)境下，利用YALMIP+GUROBI對(duì)該模型進(jìn)行求解。并通過多種模型對(duì)比分析的方式，體現(xiàn)本文所提投標(biāo)策略的優(yōu)越性。

3 算例分析

3.1 算例參數(shù)設(shè)定

本算例包含總裝機(jī)容量為50 MW的分布式風(fēng)機(jī)，200輛型號(hào)一致的EVs以及300臺(tái)型號(hào)一致的ACLs。假設(shè)分布式風(fēng)機(jī)向上調(diào)頻、向下調(diào)頻各為額定容量的20%。由于受到風(fēng)機(jī)爬坡率的限制和避免爬坡事件的發(fā)生，風(fēng)機(jī)標(biāo)準(zhǔn)調(diào)節(jié)速率為每分鐘3%的額定容量。風(fēng)機(jī)控制誤差滿足均值為0、方差為0.000 013的正態(tài)分布[4]，機(jī)組允許的響應(yīng)延遲時(shí)間為1 min。

當(dāng)EVs及ACLs參與調(diào)頻服務(wù)時(shí)，EVs功率調(diào)節(jié)速率很快，可以達(dá)到毫秒級(jí)，不存在爬坡率問題，也不存在禁止頻繁充放電的問題。ACLs的運(yùn)行機(jī)理與EVs不同，當(dāng)ACLs啟動(dòng)時(shí)，將會(huì)產(chǎn)生較大的啟動(dòng)電流，縮短壓縮機(jī)的壽命，頻繁啟停會(huì)對(duì)ACL產(chǎn)生嚴(yán)重的不良影響，設(shè)置每個(gè)啟停周期至少為30 s。

從比利時(shí)Elia官網(wǎng)獲取2022年2月1日瓦隆地區(qū)陸上風(fēng)機(jī)日前預(yù)測(cè)功率以及當(dāng)日實(shí)時(shí)出力，根據(jù)該地區(qū)裝機(jī)容量，將獲得的數(shù)據(jù)轉(zhuǎn)化為總額定容量為50 MW的分布式風(fēng)機(jī)的日前預(yù)測(cè)功率和實(shí)時(shí)出力，如圖5(a)所示。日前預(yù)測(cè)功率用于日前投標(biāo)策略的制定，實(shí)時(shí)出力用于收益的事后結(jié)算，相應(yīng)的能量-調(diào)頻市場(chǎng)預(yù)測(cè)價(jià)格如圖5(b)所示。

3.2 調(diào)頻性能指標(biāo)函數(shù)建模

擬合優(yōu)度為0.94，擬合效果良好，擬合函數(shù)預(yù)估數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)的平均偏差為1.12%，誤差較小，滿足工程所需，該函數(shù)可用于優(yōu)化模型，擬合效果如圖7所示。

圖7 調(diào)頻性能指標(biāo)擬合函數(shù)

3.3 結(jié)果分析

采用4種不同模型進(jìn)行對(duì)比試驗(yàn)，分別計(jì)算不同模型下的投標(biāo)策略以及實(shí)際收益，對(duì)比分析驗(yàn)證所提模型的有效性。

模型1，分布式風(fēng)機(jī)獨(dú)自參與電力市場(chǎng)，且只參與能量市場(chǎng)；

模型2，分布式風(fēng)機(jī)獨(dú)自參與電力市場(chǎng)，可參與能量市場(chǎng)和調(diào)頻輔助市場(chǎng)，調(diào)頻性能指標(biāo)按照歷史調(diào)頻情況計(jì)算得出，為常數(shù)[4]；

模型3，分布式風(fēng)機(jī)與EVs、ACLs共同構(gòu)成VPP，以VPP形式參與電力市場(chǎng)，可參與能量市場(chǎng)和調(diào)頻輔助市場(chǎng)，調(diào)頻性能指標(biāo)取風(fēng)機(jī)獨(dú)自參與電力市場(chǎng)時(shí)的數(shù)值，為常數(shù)[8]；

模型4，分布式風(fēng)機(jī)與EVs和ACLs共同構(gòu)成VPP，以VPP的形式參與電力市場(chǎng)，可參與能量市場(chǎng)和調(diào)頻輔助市場(chǎng)，調(diào)頻性能指標(biāo)按照上文所求預(yù)估函數(shù)進(jìn)行預(yù)測(cè)，為可變量。

3.3.1參與市場(chǎng)行為對(duì)收益的影響

在模型1與模型2下，分布式風(fēng)機(jī)在電力市場(chǎng)每個(gè)時(shí)段的收益如圖8所示。可以看出，當(dāng)風(fēng)機(jī)參與多種市場(chǎng)時(shí)，可以選擇通過參與調(diào)頻市場(chǎng)的方式增加總收益，模型2分時(shí)段的收益要大于等于模型1分時(shí)段的收益。表1中列舉了4種模型下VPP的收益對(duì)比。從表1可知，雖然模型2的能量市場(chǎng)收益小于模型1的能量市場(chǎng)收益，但總收益提高了19.02%。參與能量市場(chǎng)的同時(shí)，選擇性地參與調(diào)頻輔助市場(chǎng)可以有效提高參與者的總收益。因此，在后續(xù)的模型3、模型4中，VPP將可同時(shí)參與能量市場(chǎng)和調(diào)頻輔助市場(chǎng)以獲取最大收益。

圖8 不同模型下分布式風(fēng)機(jī)各時(shí)段的收益對(duì)比

表1 不同模型下收益對(duì)比

3.3.2調(diào)頻性能預(yù)估函數(shù)對(duì)投標(biāo)策略及收益的影響

在模型3下VPP投標(biāo)策略如圖9(a)所示，EVs及ACLs相應(yīng)的運(yùn)行狀態(tài)如圖9(b)所示，收益如表1所示，不同模型下投標(biāo)策略及調(diào)頻性能對(duì)比如表2所示。由于在該模型下制定投標(biāo)策略時(shí)，未考慮廣義儲(chǔ)能加入對(duì)調(diào)頻性能的影響，VPP在優(yōu)化過程中只是相當(dāng)于一個(gè)容量可變的風(fēng)機(jī)。同時(shí)，由于誘導(dǎo)廣義儲(chǔ)能充放電或者參與調(diào)頻需要付出較大的經(jīng)濟(jì)代價(jià)，VPP將更傾向于將廣義儲(chǔ)能當(dāng)成負(fù)荷，僅有部分EVs受分時(shí)電價(jià)調(diào)控，在能量市場(chǎng)電價(jià)較高時(shí)進(jìn)行套利放電，僅有少部分EVs參與調(diào)頻，ACLs運(yùn)行方式未發(fā)生變化，廣義儲(chǔ)能未得到充分利用。此時(shí)，由于儲(chǔ)能參與調(diào)頻服務(wù)，平均調(diào)頻性能指標(biāo)上升0.83，調(diào)頻性能得到些許提高。與模型2相比，能量市場(chǎng)收益提高了6.65%，調(diào)頻市場(chǎng)收益下降了4.14%，VPP總凈收益提高了4.72%。因此，將分布式風(fēng)機(jī)與廣義儲(chǔ)能構(gòu)成VPP，以VPP的形式參與電力市場(chǎng)是很有必要的。

表2 不同模型下投標(biāo)策略及調(diào)頻性能對(duì)比

在模型4下VPP投標(biāo)策略如圖10(a)所示，EVs及ACLs相應(yīng)的運(yùn)行狀況如圖10(b)所示，收益如表1所示，投標(biāo)量及調(diào)頻性能如表2所示。此時(shí)，由于調(diào)頻性能是可以大致預(yù)估并受控制的，VPP將會(huì)更多地參與調(diào)頻市場(chǎng)，為系統(tǒng)提供更多的調(diào)頻服務(wù)。VPP為獲取最大利潤將更為積極地調(diào)動(dòng)廣義儲(chǔ)能參與調(diào)頻，對(duì)比圖9(b)與圖10(b)，EVs及ACLs的調(diào)頻容量均得到了增加，廣義儲(chǔ)能得到了更為充分的利用。此時(shí)，VPP平均調(diào)頻性能指標(biāo)上升0.95，調(diào)頻性能得到極大的提高。與模型2相比，能量市場(chǎng)收益下降了6.01%，調(diào)頻市場(chǎng)收益提高了40.39%，VPP總凈收益提高了12.89%；與模型3相比，能量市場(chǎng)收益下降了11.87%，調(diào)頻市場(chǎng)收益提高了46.46%，VPP總凈收益提高了7.79%。VPP收益的增加主要來源于調(diào)頻市場(chǎng)，調(diào)頻性能的提高使得VPP可以從調(diào)頻市場(chǎng)獲得更多的經(jīng)濟(jì)利益，進(jìn)而促使調(diào)頻容量的增大，兩者相互促進(jìn)，使得調(diào)頻收益大大增加。

從圖11可以看出，在模型4下，VPP參與調(diào)頻市場(chǎng)提供的調(diào)頻服務(wù)明顯優(yōu)于模型2及模型3下的調(diào)頻服務(wù)，并且由調(diào)頻性能預(yù)估函數(shù)得到的預(yù)估值與實(shí)際值近似相等，證明了預(yù)估函數(shù)的有效性。根據(jù)圖11和表1，對(duì)比模型3與模型4，可以看出只需向用戶支付較少的補(bǔ)償金額，即可使整體調(diào)頻性能得到極大的提高，獲取較高的經(jīng)濟(jì)效益。

圖11 不同模型下VPP調(diào)頻性能指標(biāo)變化

當(dāng)EVs及ACLs不參與VPP時(shí)，電價(jià)按照54美元/MWh來計(jì)算，EVs每日購電支出為359美元，ACLs每日購電支出為583美元。因此，加入VPP對(duì)廣義儲(chǔ)能來說也是一種經(jīng)濟(jì)性的選擇。因此，分布式風(fēng)機(jī)聯(lián)合廣義儲(chǔ)能組成VPP具有很高的經(jīng)濟(jì)意義，是一種多方利好的行為。對(duì)比前3種模型，本文所提優(yōu)化模型具有更高的經(jīng)濟(jì)效益和社會(huì)效益，并且可以促使VPP提供更優(yōu)質(zhì)的調(diào)頻服務(wù)，提高電網(wǎng)電能質(zhì)量。

3.3.3需求響應(yīng)用戶響應(yīng)程度對(duì)收益的影響

為進(jìn)一步探究用戶響應(yīng)模型對(duì)VPP收益的影響，分別在模型3和模型4中增設(shè)兩個(gè)新的用戶響應(yīng)模型，模型A與模型B。模型A中廣義儲(chǔ)能調(diào)頻閾限值小于原模型，充電閾值變大，放電閾值變小，需求響應(yīng)更易調(diào)動(dòng)，而模型B中各參數(shù)與模型A相反，需求響應(yīng)更難調(diào)動(dòng)，則不同用戶響應(yīng)模型下VPP的各項(xiàng)收益與原響應(yīng)模型下的各項(xiàng)收益的對(duì)比如表3所示。

從表3可以看出，在不同優(yōu)化模型下，用戶響應(yīng)模型的變化將極大地影響VPP從廣義儲(chǔ)能用戶處獲得的收益，但是對(duì)整體收益影響不大。這是由廣義儲(chǔ)能容量占比過小導(dǎo)致的，廣義儲(chǔ)能總?cè)萘績H占VPP總?cè)萘康?.58%，從廣義儲(chǔ)能用戶處獲取的收益對(duì)于整體收益而言是很小的一部分。對(duì)比不同模型下，廣義儲(chǔ)能的收益與總凈收益的變化，廣義儲(chǔ)能收益的減少遠(yuǎn)小于總凈收益的增加。

表3 不同響應(yīng)模型下VPP收益變化

4 結(jié)論

本文建立了考慮需求響應(yīng)及調(diào)頻性能指標(biāo)變化的VPP參與能量-調(diào)頻聯(lián)合市場(chǎng)的日前最優(yōu)投標(biāo)策略模型。在該模型中，分布式風(fēng)機(jī)主要承擔(dān)向電網(wǎng)供電任務(wù)，通過改變調(diào)頻補(bǔ)償電價(jià)以及充放電電價(jià)，可以控制廣義儲(chǔ)能參與調(diào)頻服務(wù)的容量以及EVs的充放電行為，進(jìn)而影響VPP整體的調(diào)頻性能和電力市場(chǎng)中的投標(biāo)量。相較于分布式風(fēng)機(jī)獨(dú)自參與電力市場(chǎng)，受價(jià)格驅(qū)動(dòng)的廣義儲(chǔ)能以及調(diào)頻性能預(yù)估函數(shù)的引入，使得VPP更樂意參與調(diào)頻市場(chǎng)以獲取更高的經(jīng)濟(jì)利益，參與調(diào)頻市場(chǎng)的小時(shí)數(shù)以及調(diào)頻總?cè)萘烤忻黠@提高。同時(shí)，VPP整體的調(diào)頻性能得到明顯改善，可以為系統(tǒng)提供更優(yōu)質(zhì)的調(diào)頻服務(wù)。

在本文的投標(biāo)策略模型中，當(dāng)VPP參與電力市場(chǎng)時(shí)，僅作為電力市場(chǎng)的價(jià)格接收者。在VPP內(nèi)部，可再生能源機(jī)組及廣義儲(chǔ)能的容量都是可擴(kuò)增的，兩者之間應(yīng)當(dāng)有一個(gè)最佳容量比，在后續(xù)的研究中，針對(duì)這兩點(diǎn)可以進(jìn)行進(jìn)一步擴(kuò)展：(1) 日前市場(chǎng)中，VPP參與報(bào)價(jià)，與其他供應(yīng)商共同競(jìng)爭(zhēng)；(2) 考慮VPP內(nèi)部各項(xiàng)資源的不確定性，探討各項(xiàng)資源的最佳容量比。

[1] 文勁宇, 周博, 魏利屾. 中國未來電力系統(tǒng)儲(chǔ)電網(wǎng)初探[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(7): 1-10.

WEN Jinyu, ZHOU Bo, WEI Lishen. Preliminary study on an energy storage grid for future power system in China[J]. Power System Protection and Control, 2022, 50(7): 1-10.

[2] YAN Cheng, TANG Yi, DAI Jianfeng, et alUncertainty modeling of wind power frequency regulation potential considering distributed characteristics of forecast errors[J]. Protection and Control of Modern Power Systems, 2021, 6(3): 276-288.

[3] 唐西勝, 苗福豐, 齊智平, 等. 風(fēng)力發(fā)電的調(diào)頻技術(shù)研究綜述[J]. 中國電機(jī)工程學(xué)報(bào), 2014, 34(25): 4304-4314.

TANG Xisheng, MIAO Fufeng, QI Zhiping, et al. Survey on frequency control of wind power[J]. Proceedings of the CSEE, 2014, 34(25): 4304-4314.

[4] 崔達(dá), 史沛然, 陳啟鑫, 等. 風(fēng)電參與能量—調(diào)頻聯(lián)合市場(chǎng)的優(yōu)化策略[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(13): 5-12.

CUI Da, SHI Peiran, CHEN Qixin, et al. Optimal strategy for wind power bidding in energy and frequency regulation markets[J]. Automation of Electric Power Systems, 2016, 40(13): 5-12.

[5] REBELLO E, WATSON D, RODGERS M. Performance analysis of a 10 MW wind farm in providing secondary frequency regulation: experimental aspects[J]. IEEE Transactions on Power Systems, 2019, 34(4): 3090-3097.

[6] 謝云云, 李虹儀, 崔紅芬. 考慮電網(wǎng)側(cè)儲(chǔ)能調(diào)頻能力的電力系統(tǒng)負(fù)荷恢復(fù)策略[J]. 電力工程技術(shù), 2021, 40(6): 43-51.

XIE Yunyun, LI Hongyi, CUI Hongfen. Load restoration strategy for power system considering the transient frequency control ability of energy storage system[J]. Electric Power Engineering Technology, 2021, 40(6): 43-51.

[7] CHEN Shuaixun, ZHANG Tian, GOOI H, et al. Penetration rate and effectiveness studies of aggregated BESS for frequency regulation[J]. IEEE Transactions on Smart Grid, 2016, 7(1): 167-177.

[8] 陳長青, 李欣然, 譚莊熙. 考慮風(fēng)電不確定性的風(fēng)儲(chǔ)調(diào)頻能力[J]. 高電壓技術(shù), 2022, 48(6): 2128-2139.

CHEN Changqing, LI Xinran, TAN Zhuangxi. Frequency modulation capability of wind storage considering wind power uncertainty[J]. High Voltage Engineering, 2022, 48(6): 2128-2139.

[9] 應(yīng)飛祥, 徐天奇, 李琰, 等. 含電動(dòng)汽車充電站商業(yè)型虛擬電廠的日前調(diào)度優(yōu)化策略研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(21): 92-100.

YING Feixiang, XU Tianqi, LI Yan, et al. Research on day-to-day scheduling optimization strategy of a commercial virtual power plant with an electric vehicle charging station[J]. Power System Protection and Control, 2020, 48(21): 92-100.

[10] 田偉, 施航, 曹陽, 等. 美國電力市場(chǎng)最新特點(diǎn)及對(duì)中國的啟示[J]. 中國電力, 2019, 52(9): 126-133.

TIAN Wei, SHI Hang, CAO Yang, et al. U.S. electricity markets development and its inspirations for China[J]. Electric Power, 2019, 52(9): 126-133.

[11] 李嘉媚, 艾芊, 殷爽睿. 虛擬電廠參與調(diào)峰調(diào)頻服務(wù)的市場(chǎng)機(jī)制與國外經(jīng)驗(yàn)借鑒[J]. 中國電機(jī)工程學(xué)報(bào), 2022, 42(1): 37-56.

LI Jiamei, AI Qian, YIN Shuangrui. Market mechanism and foreign experience of virtual power plant participating in peak-regulation and frequency-regulation[J]. Proceedings of the CSEE, 2022, 42(1): 37-56.

[12] BARINGO A, BARINGO L, ARROYO J. Day-ahead self-scheduling of a virtual power plant in energy and reserve electricity markets under uncertainty[J]. IEEE Transactions on Power Systems, 2019, 34(3): 1881-1894.

[13] 宋大為, 尹碩, 何洋, 等. 基于虛擬電廠的多元小微主體參與現(xiàn)貨市場(chǎng)的競(jìng)價(jià)策略[J]. 南方電網(wǎng)技術(shù), 2021, 15(9): 75-84.

SONG Dawei, YIN Shuo, HE Yang, et al. Bidding strategy of multiple small and micro entities participating in the spot market based on virtual power plant[J]. Southern Power System Technology, 2021, 15(9): 75-84.

[14] CHEN W, QIU J, ZHAO J, et al. Bargaining game-based profit allocation of virtual power plant in frequency regulation market considering battery cycle life[J]. IEEE Transactions on Smart Grid, 2021, 12(4): 2913-2928.

[15] 王宣元, 王劍曉, 武昭原, 等. 基于隨機(jī)魯棒優(yōu)化的虛擬電廠靈活調(diào)峰投標(biāo)策略[J]. 可再生能源, 2020, 38(4): 539-544.

WANG Xuanyuan, WANG Jianxiao, WU Zhaoyuan, et al. Virtual power plant's optimal bidding strategy for flexible ramping products based on a hybrid stochastic/robust optimization[J]. Renewable Energy Resources, 2020, 38(4): 539-544.

[16] 張濤, 李逸鴻, 郭玥彤, 等. 考慮虛擬電廠調(diào)度方式的售電公司多時(shí)間尺度滾動(dòng)優(yōu)化[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(11): 79-87.

ZHANG Tao, LI Yihong, GUO Yuetong, et al. Multi-time scale rolling optimization of electricity retailers considering virtual power plant scheduling[J]. Power System Protection and Control, 2021, 49(11): 79-87.

[17] 董燕, 楊俊林, 朱永勝, 等. 基于零和博弈的電力系統(tǒng)魯棒優(yōu)化調(diào)度研究[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(5): 55-64.

DONG Yan, YANG Junlin, ZHU Yongsheng, et al. Robust optimal dispatch of a power system based on a zero-sum game[J]. Power System Protection and Control, 2022, 50(5): 55-64.

[18] 高賜威, 曹家誠, 呂冉, 等. 基于主從博弈的虛擬電廠內(nèi)部購售電價(jià)格制定方法[J]. 電力需求側(cè)管理, 2021, 23(6): 8-14.

GAO Ciwei, CAO Jiacheng, Lü Ran, et al. Method for determining the internal price of virtual power plant based on Stackelberg game theory[J]. Power Demand Side Management, 2021, 23(6): 8-14.

[19] VATANDOUST B, AHMADIAN A, GOLKAR M A, et al. Risk-averse optimal bidding of electric vehicles and energy storage aggregator in day-ahead frequency regulation market[J]. IEEE Transactions on Power Systems, 2019, 34(3): 2036-2047.

[20] XIE Xiaorong, GUO Yonghong, WANG Bin, et al. Improving AGC performance of coal-fueled thermal generators using multi-MW scale BESS: a practical application[J]. IEEE Transactions on Smart Grid, 2018, 9(3): 1769-1777.

[21] 陳中飛, 荊朝霞, 陳達(dá)鵬, 等. 美國調(diào)頻輔助服務(wù)市場(chǎng)的定價(jià)機(jī)制分析[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(12): 1-10.

CHEN Zhongfei, JING Zhaoxia, CHEN Dapeng, et al. Analysis on pricing mechanism in frequency regulation ancillary service market of united states[J]. Automation of Electric Power Systems, 2018, 42(12): 1-10.

[22] 朱繼忠. 多能源環(huán)境下電力市場(chǎng)運(yùn)行方法[M]. 北京:機(jī)械工業(yè)出版社, 2019.

[23] 艾芊. 虛擬電廠: 能源互聯(lián)網(wǎng)的終極組態(tài)[M]. 北京: 科學(xué)出版社, 2018.

[24] 袁桂麗, 蘇偉芳. 計(jì)及電動(dòng)汽車不確定性的虛擬電廠參與AGC調(diào)頻服務(wù)研究[J]. 電網(wǎng)技術(shù), 2020, 44(7): 2538-2548.

YUAN Guili, SU Weifang. Virtual power plants providing AGC FM service considering uncertainty of electric vehicles[J]. Power System Technology, 2020, 44(7): 2538-2548.

[25] 韓笑, 周明, 李庚銀. 計(jì)及儲(chǔ)能和空調(diào)負(fù)荷的主動(dòng)配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(7): 14-23.

HAN Xiao, ZHOU Ming, LI Gengyin. Multi-objective optimal dispatching of active distribution networks considering energy storage systems and air-conditioning loads[J]. Power System Protection and Control, 2018, 46(7): 14-23.

[26] 管國兵, 王志成, 辛潔晴, 等. 空調(diào)間歇性輪停最佳控制周期研究[J]. 電網(wǎng)與清潔能源, 2015, 31(12): 31-35, 42.

GUAN Guobing, WANG Zhicheng, XIN Jieqing, et al. Study on the optimal duty cycling control period of air conditioning[J]. Power System and Clean Energy, 2015, 31(12): 31-35, 42.

[27] 詹祥澎, 楊軍, 韓思寧, 等. 考慮電動(dòng)汽車可調(diào)度潛力的充電站兩階段市場(chǎng)投標(biāo)策略[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(10): 86-96.

ZHAN Xiangpeng, YANG Jun, HAN Sining, et al. Two-stage market bidding strategy of charging station considering schedulable potential capacity of electric vehicle[J]. Automation of Electric Power Systems, 2021, 45(10): 86-96.

[28] 吳界辰, 艾欣, 胡俊杰. 需求側(cè)資源靈活性刻畫及其在日前優(yōu)化調(diào)度中的應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(9): 1973-1984.

WU Jiechen, AI Xin, HU Junjie. Methods for characterizing flexibilities from demand-side resources and their applications in the day-ahead optimal scheduling[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 1973-1984.

[29] 謝云云, 谷志強(qiáng), 王曉豐, 等. 光儲(chǔ)系統(tǒng)參與實(shí)時(shí)能量-調(diào)頻市場(chǎng)的運(yùn)行策略[J]. 電網(wǎng)技術(shù), 2020, 44(5): 1758-1765.

XIE Yunyun, GU Zhiqiang, WANG Xiaofeng, et al. Optimal operation strategy of combined photovoltaic and storage system in real time energy and regulation market[J]. Power System Technology, 2020, 44(5): 1758-1765.

Day-ahead bidding strategy for virtual power plant considering demand response and frequency regulation performance variation

LI Mengyang, LI Guojie, WANG Keyou, HAN Bei, XU Jin

(Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education (Shanghai Jiao Tong University), Shanghai 200240, China)

With the increase of installed capacity of distributed renewable energy in the power system, renewable power generation should undertake the corresponding secondary frequency regulation task, and a virtual power plant is an important way for distributed generation to participate in the power market. First, the operation mechanism of a virtual power plant which participates in energy and frequency regulation markets is proposed. The virtual power plant in this paper consists of generalized energy storage, such as distributed wind power, electric vehicles and air conditioning loads. Then, a price-driven demand response model of generalized energy storage is established. The frequency regulation performance index of the virtual power plant is introduced to predict the frequency regulation performance of the virtual power plant. A robust optimization strategy for day-ahead bidding is proposed considering demand response and the frequency regulation performance index of virtual power plant. Finally, the influence of the change of demand response model parameters on users and the virtual power plant income is discussed in an example study. The result shows that the proposed virtual power plant operation mechanism can effectively improve the comprehensive income of the virtual power plant, as well as prompt the virtual power plant to provide better frequency regulation service.

virtual power plant; generalized energy storage; demand response; frequency regulation performance index; dynamic evaluation; robust optimization

10.19783/j.cnki.pspc.220465

國家自然科學(xué)基金青年項(xiàng)目資助(52107113)；國家自然科學(xué)基金面上項(xiàng)目資助(51877133)

This work is supported by the Youth Fund of National Natural Science Foundation of China (No. 52107113).

2022-04-02；

2022-07-18

李孟陽(1999—)，男，碩士研究生，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行優(yōu)化與控制；E-mail: LMYrssjj0311@sjtu.edu.cn

李國杰(1965—)，男，通信作者，博士，教授，博士生導(dǎo)師，主要研究方向?yàn)樾履茉纯刂婆c接入，微電網(wǎng)分析與控制；E-mail: liguojie@sjtu.edu.cn

汪可友(1979—)，男，博士，教授，博士生導(dǎo)師，主要研究方向?yàn)殡娏﹄娮踊娏ο到y(tǒng)穩(wěn)定分析與仿真等。E-mail: wangkeyou@sjtu.edu.cn

(編輯 許 威)